📊 statistics

Balance and Fairness through Multicalibration in Nonlife Insurance Pricing

Diese Arbeit untersucht die Eigenschaften und praktischen Implementierungsmöglichkeiten des Multikalibrierungskonzepts im Nichtlebensversicherungswesen, um durch die Kombination von Autokalibrierung und Fairness sowohl die finanzielle Stabilität als auch die gerechte Behandlung von Versicherungsnehmern zu gewährleisten.

Ursprüngliche Autoren: Michel Denuit, Marie Michaelides, Julien Trufin

Veröffentlicht 2026-03-18

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Michel Denuit, Marie Michaelides, Julien Trufin

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

🎚️ Der faire Preisknopf: Wie Versicherungen gerecht und ausgewogen kalkulieren

Stellen Sie sich vor, Sie leiten eine riesige Kantine für eine ganze Stadt. Jeder muss einen monatlichen Beitrag zahlen, um das Essen zu finanzieren. Das Ziel ist einfach: Die Einnahmen müssen genau die Kosten für das Essen decken.

In der Versicherungswelt ist das ähnlich. Versicherer sammeln Beiträge (Prämien), um Schäden (Autounfälle, Krankheiten etc.) zu bezahlen. Das Problem ist: Wie berechnet man den perfekten Preis für jeden einzelnen Menschen, damit niemand zu viel zahlt und die Kasse nicht ins Leere läuft?

Dieses Papier von Michel Denuit, Marie Michaelides und Julien Trufin beschäftigt sich mit zwei großen Herausforderungen:

Die Kasse muss stimmen (Finanzielles Gleichgewicht).
Niemand darf benachteiligt werden (Fairness).

Hier ist die Lösung, die sie vorschlagen: Multicalibration (Mehrfach-Kalibrierung).

1. Das Problem: Der "falsche" Preis

Stellen Sie sich vor, ein Computer-Algorithmus (eine KI) berechnet die Preise.

Das Problem: Der Computer sagt vielleicht: "Person A zahlt 100 Euro." Aber im Durchschnitt zahlen alle, die 100 Euro zahlen, eigentlich nur 90 Euro an Schäden aus. Das bedeutet, die Person A subventioniert unbewusst jemand anderen. Oder umgekehrt: Sie zahlt zu wenig und die Kasse wird leer.
Der Begriff: Das nennen die Autoren Autokalibrierung. Ein Preis ist "autokalibriert", wenn alle Leute, die denselben Preis zahlen, im Durchschnitt genau so viel Schaden verursachen, wie sie bezahlt haben. Die Kasse ist ausgeglichen.

Aber es gibt noch ein zweites Problem: Die Fairness.
Nehmen wir an, die KI berechnet Preise basierend auf dem Alter des Fahrzeugs.

Das Szenario: Es stellt sich heraus, dass junge Fahrer (Gruppe A) und ältere Fahrer (Gruppe B), die den gleichen Preis zahlen, unterschiedlich viel Schaden verursachen. Vielleicht zahlen junge Leute 100 Euro, verursachen aber im Schnitt 120 Euro Schaden, während ältere Leute bei 100 Euro nur 80 Euro Schaden haben.
Die Folge: Das ist unfair! Die jungen Leute werden indirekt bestraft, obwohl sie den gleichen Preis wie die Älteren zahlen. In der EU ist Diskriminierung (z. B. wegen Geschlecht) verboten, aber manchmal "schleichen" sich solche Ungerechtigkeiten über andere Faktoren (wie das Auto, das Männer oft anders wählen als Frauen) ein.

2. Die Lösung: Multicalibration (Die "Mehrfach-Waage")

Die Autoren schlagen vor, nicht nur eine große Waage zu nutzen, sondern viele kleine Waagen gleichzeitig.

Stellen Sie sich vor, Sie haben eine riesige Waage für die gesamte Kantine (Gesamtportfolio). Aber Sie wollen auch sicherstellen, dass jede einzelne Abteilung (z. B. "Junge Fahrer", "Ältere Fahrer", "Frauen", "Männer") für sich genommen ausgeglichen ist.

Multicalibration bedeutet:
Ein Preis ist perfekt, wenn er zwei Dinge gleichzeitig erfüllt:

Global: Im Durchschnitt decken alle Einnahmen die Kosten.
Lokal: Wenn man die Leute in Gruppen einteilt (z. B. nach einem sensiblen Merkmal wie Alter oder Gesundheitsstatus), dann deckt der Preis innerhalb jeder dieser Gruppen auch die Kosten.

Die Analogie:
Stellen Sie sich einen Orchesterdirigenten vor.

Autokalibrierung bedeutet, das ganze Orchester spielt im richtigen Tempo.
Multicalibration bedeutet, dass jede Sektion (Geigen, Bläser, Schlagzeug) innerhalb ihres eigenen Bereichs auch perfekt im Takt ist, ohne dass der Dirigent eine Sektion über die andere stellen muss.

3. Wie macht man das in der Praxis? (Der "Koch-Rezept"-Ansatz)

Das Papier erklärt, wie man diesen perfekten Preis berechnet, wenn man mit einem "rohen" KI-Preis startet, der noch nicht perfekt ist. Sie schlagen zwei Methoden vor:

Methode A: Die "Gruppen-Korrektur" (Isotone Regression)

Stellen Sie sich vor, Sie haben eine Liste von Kunden, die nach ihrem aktuellen Preis sortiert sind.

Sie schauen sich eine Gruppe an (z. B. alle, die 100 Euro zahlen).
Sie schauen sich innerhalb dieser Gruppe die Untergruppen an (z. B. "Junge Fahrer" vs. "Ältere Fahrer").
Wenn die "Jungen Fahrer" in dieser 100-Euro-Gruppe im Durchschnitt 120 Euro Schaden verursachen, erhöhen Sie ihren Preis leicht. Wenn die "Älteren" nur 80 Euro verursachen, senken Sie ihren Preis leicht.
Sie tun dies für alle Gruppen und Untergruppen, bis die Waage in jedem kleinen Kasten perfekt im Gleichgewicht ist.

Methode B: Der "Iterative Schleifen-Koch" (Bias Correction)

Das ist wie das Nachjustieren eines Gewürzs in einer Suppe.

Man fängt mit dem alten Preis an.
Man schmeckt nach: "Oh, in der Gruppe 'Junge Fahrer' ist es noch zu salzig (zu teuer) oder zu süß (zu billig)."
Man korrigiert den Preis ein kleines bisschen.
Man schmeckt wieder nach.
Man wiederholt das, bis in jeder Gruppe der Geschmack (der Preis) perfekt mit den Zutaten (den Schäden) übereinstimmt.

Ein wichtiger Trick dabei ist die Credibility (Glaubwürdigkeit): Wenn eine Gruppe sehr klein ist (z. B. nur 5 junge Fahrer mit einem sehr teuren Sportwagen), ist die Statistik ungenau. Man mischt dann die Information dieser kleinen Gruppe mit der Information der großen Gruppe, um keine Panikreaktion zu starten. Das nennt man "Shrinkage" (Schrumpfung) – man zieht den extremen Wert etwas zur Mitte hin.

4. Das Ergebnis: Besser für alle!

Das Überraschende an diesem Papier ist das Ergebnis aus dem Fallbeispiel (eine französische Kfz-Versicherung):

Gerechtigkeit: Durch Multicalibration wird sichergestellt, dass keine Gruppe (z. B. nach Alter oder Region) systematisch benachteiligt wird.
Genauigkeit: Normalerweise denkt man: "Wenn ich mehr Fairness erzwinge, wird die Vorhersage ungenauer." Aber hier ist es anders!
- Die Autoren zeigen, dass durch das Ausbalancieren der Gruppen die Vorhersage sogar genauer wird.
- Der "rohe" KI-Preis hatte viele Fehler. Durch das Nachjustieren (Multicalibration) wurden diese Fehler korrigiert.
- Ergebnis: Ein fairerer Preis ist oft auch ein präziserer Preis.

Zusammenfassung in einem Satz

Dieses Papier zeigt, wie Versicherer ihre Preise so justieren können, dass sie nicht nur finanziell ausgeglichen sind (die Kasse stimmt), sondern auch in jeder einzelnen Bevölkerungsgruppe fair sind – und dabei sogar noch bessere Vorhersagen treffen als vorher. Es ist wie das Feinjustieren einer Waage, die nicht nur im Ganzen, sondern in jedem einzelnen Fach perfekt ausbalanciert ist.

Titel: Balance und Fairness durch Multikalibrierung im Schadenversicherungstarif

Autoren: Michel Denuit, Marie Michaelides, Julien Trufin
Datum: März 2026 (Preprint)

1. Problemstellung und Motivation

Die Non-Life-Versicherungsprämienkalkulation steht vor zwei zentralen Herausforderungen:

Finanzielles Gleichgewicht (Autokalibrierung): Prämien müssen im Durchschnitt die entsprechenden Schäden decken. Dies gilt nicht nur für das gesamte Portfolio, sondern auch innerhalb von Gruppen, die ähnliche Prämien zahlen. Maschinelle Lernmodelle (z. B. Boosted Regression Trees, Neuronale Netze) erzeugen oft Prämien, die von den tatsächlichen Schadenkosten abweichen, was zu Adverse-Selection-Effekten führt.
Fairness und Diskriminierung: In der EU ist die direkte Diskriminierung aufgrund von Geschlecht verboten. Auch andere sensible Merkmale (z. B. Gesundheitsstatus, Behinderung, Migrationshintergrund) können zu Beschwerden oder regulatorischen Eingriffen führen, wenn sie in der Kalkulation verwendet werden. Das Problem der "indirekten Diskriminierung" (Proxy-Diskriminierung) besteht weiterhin, wenn andere Ratingfaktoren mit dem sensiblen Merkmal korrelieren.

Das Papier adressiert den Fall, in dem ein sensibles Merkmal $S$ (z. B. Gesundheitsstatus) zwar erlaubt ist, aber der Versicherer nachweisen muss, dass die Preiskalkulation fair ist. Ziel ist es, Autokalibrierung (finanzielle Stabilität) und Fairness (gruppenbasierte Gerechtigkeit) zu vereinen.

2. Methodik und Theoretische Grundlagen

2.1. Konzept der Multikalibrierung

Das Papier definiert Multikalibrierung als die Kombination aus Autokalibrierung und bedingter Mittelwert-Unabhängigkeit (eine schwache Form der Suffizienz).

Autokalibrierung: Eine Prämie $\pi(X)$ ist autokalibriert, wenn $E[Y | \pi(X) = p] = p$ für alle Prämien $p$ . Das bedeutet, dass die erwarteten Schäden $Y$ innerhalb einer Gruppe gleicher Prämien der Prämie entsprechen.
Fairness (Suffizienz): Eine Prämie ist fair bezüglich eines sensiblen Merkmals $S$ , wenn die erwarteten Schäden unabhängig von $S$ sind, gegeben die Prämie: $E[Y | \pi(X)=p, S=s] = E[Y | \pi(X)=p, S=s']$ .
Multikalibrierung: Eine Prämie ist multikalibriert, wenn sie sowohl autokalibriert als auch fair ist. Formal:
$E[Y | \pi(X) = p, S = s] = p \quad \forall p, s$
Dies garantiert, dass innerhalb jeder Gruppe gleicher Prämien und gleichen sensiblen Merkmals die Prämie die erwarteten Schäden deckt.

2.2. Theoretische Eigenschaften

Überlegenheit: Multikalibrierte Prämien sind immer auch autokalibriert.
Vermeidung von Overfitting: Multikalibrierte Prädiktoren sind in der konvexen Ordnung kleiner als die wahren Risikokennzahlen ( $\pi(X) \preceq_{cx} \mu(X)$ ). Dies verhindert Overfitting.
Optimalität: Multikalibrierte Prämien minimieren jede Bregman-Verlustfunktion (einschließlich der Devianz) unter der Menge der autokalibrierten Prämien.

2.3. Implementierungsansätze (Multibalance Correction)

Das Papier schlägt zwei praktische Methoden vor, um eine Kandidaten-Prämie $\pi(X)$ in eine multikalibrierte Prämie zu überführen:

A. Kategoriale sensible Merkmale ( $S$ )

Direkte empirische Multibalance-Korrektur (Gruppenweise Regression):
- Berechnung der bedingten Erwartung $E[Y | \pi(X), S=\ell]$ für jede Kategorie $\ell$ von $S$ separat.
- Implementierung mittels isotonischer Regression (unter Monotonie-Nebenbedingungen), um die Prämien neu zu kalibrieren.
- Formel: $\pi_{mbc}(X) = E[Y | \pi(X), S]$ .
Regularisierte iterative Bias-Korrektur:
- Ein iterativer Algorithmus, der die Prämie schrittweise anpasst, um die Residuen innerhalb von Bins (Prämienintervalle) und Gruppen ( $S$ ) auf Null zu bringen.
- Verwendung von Credibility-Gewichten (Shrinkage), um Instabilität bei kleinen Stichproben in bestimmten Gruppen zu vermeiden. Die Korrektur wird vom Gruppenmittelwert zum Pool-Mittelwert verschoben, wenn die Exposition gering ist.

B. Kontinuierliche sensible Merkmale ( $S$ )

Direkte empirische Multibalance-Korrektur (Bivariate lokale GLM):
- Schätzung der bedingten Mittelwertfläche $m(p, s) = E[Y | \pi(X)=p, S=s]$ mittels lokaler GLMs im gemeinsamen Raum von Prämie und sensiblem Merkmal.
- Ein Centering-Schritt stellt sicher, dass die marginale Autokalibrierung bezüglich der Prämie erhalten bleibt.
Regularisierte iterative Bias-Korrektur:
- Ähnlich wie bei kategorialen Merkmalen, aber mit glatten Schätzern (z. B. lokale Regression) für die Bias-Schätzung im $(\pi, S)$ -Raum.
- Verwendung von Credibility-Gewichten basierend auf der lokalen Dichte der Daten, um die Schätzung zu stabilisieren.

3. Numerische Ergebnisse (Fallstudie)

Die Methoden wurden auf einem französischen Kfz-Haftpflichtportfolio (freMTPL2freq, ca. 678.000 Policen) getestet. Als sensibles Merkmal diente das Alter des Fahrzeugs ($VehAge$), entweder diskretisiert in Klassen oder kontinuierlich.

Vergleichsmodelle:
1. Baseline (Poisson-GAM ohne Kalibrierung).
2. Autokalibriert (nur globale Balance).
3. Multikalibriert (iterativ).
4. Multibalance-Korrektur (direkt/isotonisch).
Ergebnisse:
- Devianz (Güte der Anpassung): Die Baseline wies die höchste Devianz auf. Autokalibrierung verbesserte die Devianz signifikant. Die Multikalibrierung führte zu den niedrigsten Devianzwerten (bessere Vorhersagegenauigkeit), was zeigt, dass Fairness hier die Genauigkeit erhöht, nicht verschlechtert.
- Diskriminierungskraft (Gini-Koeffizient): Alle kalibrierten Modelle verbesserten die Diskriminierungskraft gegenüber der Baseline erheblich. Die Werte lagen zwischen 0,68 und 0,72.
- Residualanalyse: Während die Baseline und die reine Autokalibrierung systematische Verzerrungen innerhalb der Fahrzeugaltersgruppen aufwiesen (z. B. Unterpreisung bei älteren Fahrzeugen in hohen Prämienklassen), wurden diese Verzerrungen durch die Multikalibrierung eliminiert. Die Residuen lagen nahe bei Null für alle Kombinationen aus Prämie und Fahrzeugalter.

4. Wichtige Beiträge und Bedeutung

Theoretische Synthese: Das Papier verbindet erstmals konsequent das Konzept der Autokalibrierung (finanzielle Stabilität) mit dem der gruppenbasierten Fairness (Suffizienz) unter dem Begriff der Multikalibrierung im Versicherungskontext.
Praktische Implementierung: Es werden konkrete, anwendbare Algorithmen vorgestellt (iterative Bias-Korrektur mit Credibility-Shrinkage und isotonische Regression), die auch bei kleinen Stichproben in sensiblen Gruppen stabil funktionieren.
Paradigmenwechsel bei Fairness: Im Gegensatz zu vielen Ansätzen im Machine Learning, bei denen Fairness oft zu Genauigkeitsverlusten führt, zeigt diese Studie, dass die Erzwungene Multikalibrierung die Vorhersagegenauigkeit (Devianz) verbessert. Dies liegt daran, dass die Korrektur systematische Fehler in den ursprünglichen Modellen (z. B. durch ML-Modelle verursachte Verzerrungen) entfernt.
Regulatorische Relevanz: Die Methode bietet Versicherern ein Werkzeug, um nachzuweisen, dass die Nutzung sensibler Merkmale (wie Gesundheitsstatus) fair erfolgt, da die erwarteten Renditen über alle Gruppen hinweg bei gleicher Prämie identisch sind.

Fazit

Das Papier demonstriert, dass Multikalibrierung ein mächtiges Werkzeug ist, um sowohl finanzielle Gleichgewichte als auch ethische Fairness in der Versicherungstarifierung zu gewährleisten. Durch die Anwendung von Multibalance-Korrekturen können Versicherer Prämien erstellen, die nicht nur rechtlich und ethisch vertretbar sind, sondern auch statistisch präziser als herkömmliche Modelle.